Jahrelang stand bei mir ein Amazon Echo im Wohnzimmer. Praktisch, keine Frage, aber jede Anfrage ging über Amazons Server, wurde dort verarbeitet und teilweise gespeichert. Seit Home Assistant eine vollständig lokale Sprachpipeline mitbringt, steht bei mir kein Echo mehr im Regal.
Die Bausteine der lokalen Sprachpipeline
Eine Sprachsteuerung besteht aus mehreren Schritten, die früher fast immer in der Cloud liefen: das gesprochene Wort erkennen (Speech-to-Text), die Anfrage verstehen und eine Aktion ausführen, und eine Antwort wieder in Sprache umwandeln (Text-to-Speech). Home Assistant setzt für die ersten und letzten Schritte auf zwei Open-Source-Projekte:
- Whisper von OpenAI (das Modell, nicht der Cloud-Dienst) übernimmt die Spracherkennung, läuft aber komplett lokal
- Piper, ebenfalls Open Source, wandelt Text zurück in gesprochene Antworten, ebenfalls lokal
- Die eigentliche Verarbeitung der Anfrage übernimmt die Assist-Funktion von Home Assistant selbst
Kein Byte verlässt dabei das Heimnetzwerk.
Was du an Hardware brauchst
Whisper und Piper brauchen etwas mehr Rechenleistung als eine einfache Automatisierung, laufen aber problemlos auf einem Raspberry Pi 4 oder 5 mit ausreichend Arbeitsspeicher (mindestens 4 GB empfohlen), oder deutlich komfortabler auf einem Mini-PC. Für das eigentliche Mikrofon gibt es zwei Wege:
- Offizielle Home Assistant Voice Preview Edition, ein fertiges Gerät speziell für diesen Zweck, Plug-and-Play
- Eigenbau mit einem ESP32-S3 und einem Mikrofonmodul, per ESPHome eingebunden, für alle, die gerne selbst basteln
Ich habe mit der Voice Preview Edition angefangen, weil ich erst testen wollte, ob mir das Konzept überhaupt zusagt, bevor ich Zeit in einen Eigenbau stecke.
Einrichtung in groben Schritten
Whisper und Piper installieren: Beide sind als Add-ons über den Home Assistant Add-on Store verfügbar (Add-on Store durchsuchen nach “Whisper” beziehungsweise “Piper”). Installation und Start dauern jeweils nur wenige Minuten, ein passendes deutsches Sprachmodell wird direkt mitgeliefert.
Assist-Pipeline konfigurieren: Unter Einstellungen → Sprachassistenten legst du eine neue Pipeline an, wählst Whisper als Spracherkennung und Piper als Sprachausgabe, jeweils mit deutschem Modell. Als “Konversationsmotor” reicht für einfache Befehle die eingebaute Home-Assistant-Konversation völlig aus, sie versteht Befehle wie “Schalte das Licht im Wohnzimmer ein” oder “Wie warm ist es im Schlafzimmer” zuverlässig.
Mikrofon verbinden: Bei der Voice Preview Edition verbindet sich das Gerät automatisch mit Home Assistant im selben Netzwerk. Bei einem ESPHome-Eigenbau muss das Gerät als Voice-Assistant-Satellit eingebunden werden, was etwas mehr Konfigurationsaufwand bedeutet, aber gut dokumentiert ist.
Wie gut funktioniert das im Alltag wirklich
Ehrlich: bei sehr komplexen, freien Fragen (“Erzähl mir einen Witz über Katzen”) kommt die lokale Lösung nicht an ein großes Cloud-Sprachmodell heran. Bei klaren, gerätebezogenen Befehlen dagegen, und das macht den Großteil der täglichen Nutzung aus, ist die Erkennungsrate bei mir inzwischen ähnlich gut wie beim früheren Echo. “Alexa, mach das Licht aus” wird jetzt einfach zu “Licht aus”, ohne Umweg über Amazon.
Wer möchte, kann Home Assistant zusätzlich mit einem lokalen KI-Sprachmodell über Ollama koppeln, um auch komplexere Anfragen lokal zu beantworten. Das ist ein eigenes Thema für sich und kommt in einem späteren Artikel.
Warum sich der Umstieg für mich gelohnt hat
Der Hauptgrund war nie, dass Alexa schlecht funktioniert hat. Der Grund war, dass ich nicht wollte, dass jedes gesprochene Wort in meinem Wohnzimmer auf einem fremden Server landet. Mit Whisper und Piper habe ich eine Sprachsteuerung, die zuverlässig die alltäglichen Befehle versteht und dabei mein Zuhause nie verlässt. Für mich ein klarer Fall von: etwas weniger Komfort bei Sonderfällen, dafür vollständige Kontrolle im Alltag.